{"id":133802,"date":"2026-01-28T12:52:21","date_gmt":"2026-01-28T11:52:21","guid":{"rendered":"https:\/\/multi.liora.io\/?p=133802"},"modified":"2026-08-24T18:41:33","modified_gmt":"2026-08-24T17:41:33","slug":"pytorch-saber-todo-sobre-el-marco-de-trabajo-de-deep-learning-de-facebook","status":"publish","type":"post","link":"https:\/\/liora.io\/es\/pytorch-saber-todo-sobre-el-marco-de-trabajo-de-deep-learning-de-facebook","title":{"rendered":"PyTorch: saber todo sobre el marco de trabajo de Deep Learning de Facebook"},"content":{"rendered":"\n

Al ser el lenguaje Python uno de los m\u00e1s utilizados, contiene muchos frameworks y muchos los desarrolla exclusivamente para la Data Science. En este art\u00edculo, vamos a hablar detalladamente de uno de ellos. PyTorch.<\/strong><\/p>\n\n\n

La popularidad de la Data Science<\/a> no ha dejado de crecer en los \u00faltimos a\u00f1os, y con ella una explosi\u00f3n de recursos puestos a disposici\u00f3n de los programadores: ya no es necesario escribir todo el c\u00f3digo a mano. Entornos de programaci\u00f3n como PyTorch, llamados \u201cframeworks\u201d o marcos de trabajo, permiten utilizar modelos complejos en muy pocas l\u00edneas.<\/p>\n\n\n

La historia de PyTorch<\/h2>\n\n\n

Los frameworks permiten dar un marco y herramientas para facilitar la programaci\u00f3n<\/strong>. Por lo general se desarrollan en \u201copen source\u201d<\/strong>, es decir que cualquier puede modificar y acceder al c\u00f3digo, lo que permite fiabilidad, transparencia y un mantenimiento continuo.<\/p>\n\n\n

PyTorch no es ninguna excepci\u00f3n. Basado en la antigua biblioteca Torch, PyTorch fue lanzado oficialmente en 2016<\/strong>por un equipo del laboratorio de investigaci\u00f3n de Facebook<\/strong>, y desde entonces se ha desarrollado en open source. El objetivo de este framework es permitir la implementaci\u00f3n y el entrenamiento de modelos de Deep Learning<\/strong> de manera sencilla y eficiente. Su fusi\u00f3n en 2018 con Caffe2 (otro framework de Python) permiti\u00f3 mejorar a\u00fan m\u00e1s sus rendimientos.<\/p>\n\n\n

En la actualidad un 17 % de los desarrolladores de Python utiliza PyTorch (estudio de la Python Foundation 2020<\/a>) y tambi\u00e9n se usa en muchas empresas como Tesla, Uber, etc.<\/p>\n\n\n

Aprender a utilizar<\/a><\/div><\/div>\n\n\n

Pytorch vs Keras vs Tensorflow<\/h3>\n\n\n

Es dif\u00edcil presentar PyTorch sin hablar de sus alternativas, todas ellas creadas con pocos a\u00f1os de intervalo, y pr\u00e1cticamente con el mismo objetivo, pero con m\u00e9todos diferentes.<\/p>\n\n\n

Keras fue desarrollado en marzo de 2015 por Fran\u00e7ois Chollet, investigador de Google. Este framework se hizo r\u00e1pidamente popular gracias a su API f\u00e1cil de usar<\/strong>, inspirada en gran medida en scikit-learn, la biblioteca de Machine Learning<\/a> est\u00e1ndar de Python<\/a>.<\/p>\n\n\n

Varios meses despu\u00e9s, en noviembre de 2015, Google public\u00f3 una primera versi\u00f3n de TensorFlow y r\u00e1pidamente se convirti\u00f3 en el framework de referencia de Deep Learning<\/strong>, ya que permite utilizar Keras. Tensorflow tambi\u00e9n ha puesto a punto una serie de funcionalidades de aprendizaje profundo que los investigadores necesitaban para crear f\u00e1cilmente<\/strong> redes neuronales complejas.<\/p>\n\n\n

Por tanto Keras era muy f\u00e1cil de usar, pero no tenia alguna funcionalidades b\u00e1sicas o algunas personalizaciones necesarias para los modelos punteros. Por el contrario, Tensorflow daba acceso a sus funciones, pero no se parec\u00eda al estilo habitual de Python y ten\u00eda una documentaci\u00f3n muy complicada para los principiantes.<\/p>\n\n\n

PyTorch resolvi\u00f3 esos problemas<\/strong> creando una API a la vez accesible y f\u00e1cil de personalizar, que permit\u00eda crear nuevos tipos de redes, optimizadores y arquitecturas in\u00e9ditas.<\/p>\n\n\n

Dicho esto, las recientes evoluciones de esos frameworks han acercado much\u00edsimo<\/strong>sus<\/strong>modos de funcionamiento<\/strong>. Antes de ponernos con los detalles t\u00e9cnicos de PyTorch, aqu\u00ed tienes una tabla recapitulativa de las diferencias<\/strong> entre estas herramientas. Puesto que Keras y Tensorflow funcionan ahora juntos, conviene presentarlos conjuntamente.<\/p>\n\n\n

\"tableau<\/figure>\n\n\n

Uso de PyTorch para el Deep Learning<\/h2>\n\n\n

Hemos hablado de la complejidad de los modelos y de las redes sin hablar de la velocidad de ejecuci\u00f3n de los algoritmos. En efecto, PyTorch fue dise\u00f1ado para minimizar ese tiempo y utilizar mejor las especificidades del hardware<\/strong>.<\/p>\n\n\n

PyTorch representa los datos en forma de tablas multidimensionales, similares a las tablas NumPy, llamadas \u201ctensores<\/strong>\u201d. Los tensores almacenan los inputs de la red neuronal, los par\u00e1metros de los hidden layers y los outputs. A partir de esos tensores, PyTorch puede llevar, de manera oculta y eficaz, 4 etapas para entrenar la red:<\/p>\n\n\n

    \n
  • Montar una gr\u00e1fico a partir de los tensores de la red neuronal, lo que permite una estructura din\u00e1mica, es posible modificarla (n\u00famero de nudos, conexiones entre ellos, etc.) durante el aprendizaje.<\/li>\n
  • Efectuar las predicciones<\/strong> de la red (\u201cforward pass\u201d).<\/li>\n
  • Calcular la p\u00e9rdidas<\/strong> o error respecto a las predicciones<\/li>\n
  • Atravesar la red en el sentido inverso: \u201cbackpropagation<\/strong>\u201d, y ajustar los tensores para que la red haga predicciones m\u00e1s precisas basadas en la p\u00e9rdida\/error calculado.<\/li>\n<\/ul>\n\n\n